論文の概要: Mind The Gap: Alleviating Local Imbalance for Unsupervised Cross-Modality Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2205.11888v1
• Date: Tue, 24 May 2022 08:16:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 14:26:23.955361
• Title: Mind The Gap: Alleviating Local Imbalance for Unsupervised Cross-Modality Medical Image Segmentation
• Title（参考訳）: マインド・ザ・ギャップ(Mind the Gap): 教師なしクロスモダリティ医療画像セグメンテーションにおける局所的不均衡を軽減する
• Authors: Zixian Su, Kai Yao, Xi Yang, Qiufeng Wang, Yuyao Yan and Kaizhu Huang
• Abstract要約: クロスモダリティ医療画像適応は、異なる画像モダリティ間の深刻な領域ギャップを軽減することを目的としている。 一般的な試みの1つは、2つの領域間のグローバルアライメントを強制することである。 医用画像の特徴を考慮した領域間不均衡を緩和する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 18.75307816987653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised cross-modality medical image adaptation aims to alleviate the severe domain gap between different imaging modalities without using the target domain label. A key in this campaign relies upon aligning the distributions of source and target domain. One common attempt is to enforce the global alignment between two domains, which, however, ignores the fatal local-imbalance domain gap problem, i.e., some local features with larger domain gap are harder to transfer. Recently, some methods conduct alignment focusing on local regions to improve the efficiency of model learning. While this operation may cause a deficiency of critical information from contexts. To tackle this limitation, we propose a novel strategy to alleviate the domain gap imbalance considering the characteristics of medical images, namely Global-Local Union Alignment. Specifically, a feature-disentanglement style-transfer module first synthesizes the target-like source-content images to reduce the global domain gap. Then, a local feature mask is integrated to reduce the 'inter-gap' for local features by prioritizing those discriminative features with larger domain gap. This combination of global and local alignment can precisely localize the crucial regions in segmentation target while preserving the overall semantic consistency. We conduct a series of experiments with two cross-modality adaptation tasks, i,e. cardiac substructure and abdominal multi-organ segmentation. Experimental results indicate that our method exceeds the SOTA methods by 3.92% Dice score in MRI-CT cardiac segmentation and 3.33% in the reverse direction.
• Abstract（参考訳）: 教師なしクロスモダリティ医療画像適応は、ターゲットドメインラベルを用いることなく、異なる画像モダリティ間の深刻な領域ギャップを軽減することを目的としている。 このキャンペーンの鍵は、ソースとターゲットドメインの分布を調整することである。 一つの一般的な試みは、2つの領域間の大域的整合を強制することであり、これは致命的な局所不均衡領域ギャップの問題を無視している。 近年,モデル学習の効率を向上させるために,局所領域に着目したアライメントを行う手法もある。 この操作は文脈から重要な情報が不足する可能性がある。 そこで本研究では,医療画像の特徴,すなわちグローバル・ローカル・アライメントを考慮したドメインギャップ不均衡を緩和する新しい手法を提案する。 具体的には、特徴分割スタイル転送モジュールがまずターゲットライクなソースコンテンツイメージを合成し、グローバルドメインギャップを低減する。 次に、局所特徴マスクを統合して、より大きなドメインギャップを持つ識別的特徴を優先することにより、局所特徴の「インターギャップ」を低減する。 このグローバルアライメントとローカルアライメントの組み合わせは、全体的な意味的一貫性を維持しながら、セグメンテーションターゲットの重要な領域を正確にローカライズすることができる。 心臓のサブストラクチャと腹部のマルチオルガンセグメンテーションという2つのクロスモダリティ適応タスクを用いた一連の実験を行った。 実験結果より,MRI-CT心筋分画では3.92%,逆方向では3.33%,SOTA法では3.92%以上であった。

関連論文リスト

• BTMuda: A Bi-level Multi-source unsupervised domain adaptation framework for breast cancer diagnosis [16.016147407064654]
  乳がん診断のためのBTMudaと呼ばれるbi-level Multi-source unsupervised domain adaptation法を構築した。 ドメインシフト問題をドメイン内とドメイン間という2つのレベルに分割することで、ドメインシフトの問題に対処する。 本手法は,3つのパブリックマンモグラフィーデータセットの実験において,最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-08-30T07:25:53Z)
• Unsupervised Domain Adaptation with Variational Approximation for Cardiac Segmentation [15.2292571922932]
  非教師なし領域適応は、医用画像セグメンテーションに有用である。 両ドメインの潜在機能を共通かつパラメータ化された変分形式に駆動する新しいフレームワークを提案する。 これは、変分オートエンコーダ(VAE)とこの変分近似の正規化に基づく2つのネットワークによって実現される。
  論文  参考訳（メタデータ） (2021-06-16T13:00:39Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• MLAN: Multi-Level Adversarial Network for Domain Adaptive Semantic Segmentation [32.77436219094282]
  本稿では,領域間不整合を大域画像レベルと局所領域レベルで最適に扱うことを目的とした,MLAN(Multi-level adversarial Network)を提案する。 MLANは2つの新しい設計、すなわち、地域レベルの対角学習(RL-AL)と共正規化された対角学習(CR-AL)を持つ。 広範な実験は、MLANが複数のデータセットにまたがる大きなマージンで最先端のものを上回ることを示しています。
  論文  参考訳（メタデータ） (2021-03-24T05:13:23Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
  マルチモーダル心臓画像分割のための新しいUDA法を提案する。 提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。 本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
  論文  参考訳（メタデータ） (2021-03-15T08:59:44Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。